支持模型（精选十篇）
支持模型 篇1
关键词：迟滞,支持向量机,连续模型
1 引言
压电陶瓷、磁致伸缩材料、形状记忆合金等智能材料构成的传感器或执行器在航空航天、微纳米定位、微电子制造、精密机械、生物工程等领域应用的越来越广泛, 但是, 这些智能材料都表现出迟滞特性, 迟滞的存在不但会降低系统的控制精度, 甚至会导致系统不稳定[1]。为了消除迟滞非线性对系统的不良影响, 通常的做法是建立迟滞的数学模型并构建相应的逆模型来实现对迟滞的补偿[2]。支持向量机[3]是Vapnik等在解决模式识别问题时提出来的。其基本思想是在训练样本集中通过某种算法选出一个特征样本子集, 使得对此样本子集的划分等价于对原训练集的划分, 从而大大简化分类和回归问题。本文在此基础上提出一种简化的遗忘因子矩形窗LS-SVR算法, 并通过MATLAB仿真验证算法。
2 支持向量机回归原理
最小。其中R[f]为期望风险, L为损失函数。支持向量机回归是一种机器学习的算法, 而机器学习的目的是求出对某系统输入、输出之间依赖关系的估计, 使它能够对未知输出尽可能地预测, 即使期望风险最小化。传统机器学习采用经验风险最小化来近似期望风险最小化。对 (1) 式, 经验风险为:
现在, 实际系统回归过程中我们一般采用结构风险最小化来代替期望风险最小化。结构风险为
-不敏感损失函数表达式如下:
根据以上分析, 我们固定经验风险, 最小化函数集复杂度即 , 就得到优化问题
但是, 在实际回归过程中, 总是有一个或几个样本点不能在 精度下无误差的拟合。我们又不能为了这个别的几个点牺牲整体的性能, 所以我们引入松弛变量i0, i*0, 认为这几个点是由系统扰动形成。得到最终的优化问题用线性二次规划表示如下:
3 MATLAB仿真
为验证简化后的遗忘因子矩形窗算法的最小二乘支持向量机算法的有效性, 考虑非线性系统。
其中, 为单位阶跃函数, 即
4 结语
本章首先介绍了支持向量机的基本理论, 然后针对标准支持向量机存在的缺陷, 引入最小二乘、矩形窗以及遗忘因子等思想对其进行改进, 研究了一种简化的基于遗忘因子矩形窗算法的最小二乘支持向量机回归算法, 最后通过MATLAB仿真验证了其可行性。
参考文献
[1]G.Tao, EV.Kolotovic.Adaptive control of plants with unknown hysteresiss[J].IEEE Trans on automatic Control, 1995 (2) :200-212.
[2]赵新龙, 董建萍.基于神经网络的迟滞非线性补偿控制[J].控制工程, 2010 (4) :475-477.
一种新的支持向量回归预测模型 篇2
一种新的支持向量回归预测模型
运用支持向量机(SVM)理论,建立了一种新的支持向量回归(SVR)预测模型.模型的求解可转化为二次规划问题,并能实现模型参数的.自动选择.用此模型对我国粮食产量增长率的预测表明,模型具有较好的概化能力.
作 者：刘广利 杨志民 作者单位：中国农业大学经济管理学院,北京,100083刊 名：吉首大学学报(自然科学版)英文刊名：JOURNAL OF JISHOU UNIVERSITY(NATURAL SCIENCE EDITION)年，卷(期)：200223(3)分类号：F323.11关键词：支持向量机(SVM) 支持向量回归(SVR) 概化能力
支持模型 篇3
关键词：协同工作；工作流管理系统；协同工作流模型；应用代理
0引言
工作流技术应用已经非常广泛，它为各领域的工作流程自动化作出了贡献。但从目前来看，工作流技术主要着眼于管理或者商业流程的自动化，它对工作流程的开始和结束进行协调和管理。但工作流管理系统并不适合于需要多人协作和频繁交互的工作流程中的任务，例如多人协同设计或者协同商务谈判等。目前，IBM MQ Series Workflow，Lotus Notes等系统都只支持工作组的概念，但不支持群体协作活动。其中Notes利用消息机制和邮件服务器支持了松散的异步协同工作，但并不真正支持交互式协同工作。标准化组织WFMC(工作流管理联盟)也缺少相关对群体协作支持的标准。
协同工作系统在当前的单任务环境中已经比较成熟，但缺少对业务逻辑的支持，如大型群件系统BSCW。若将协同工作技术和工作流技术相结合，则可同时发挥两者优势，支持一类全新的应用，例如，企业内部的协同工作，以及用于电子商务系统的实时协调和交互等。本文将首先针对这类应用提出一个工作模型，并给出了基于WFMC工作流元模型的支持协同工作的工作流模型；接着给出支持此模型的系统框架并分析其关键技术；最后给出一个应用实例，并对本文进行总结。
1支持协同工作的工作过程模型
在传统的工作流工作模型中，工作任务分配由过程定义及其和角色的对应来完成，各任务之间只在时间上有基于某个条件的同步或者先后关系，它并不支持多人进行同步交互协作来完成同一个任务。但随着效率要求的提高以及一些先进的协同设计和并行工程系统的出现，迫切需要支持多用户同步交互。例如，在一个设计企业内部，分配设计工作的时候可能需要根据内部组织结构进行头脑风暴式的讨论，而每一个设计子任务需要一个组的设计人员来完成，各设计小组内部需要进行协作和讨论，同时对最终设计结果还需要进行评价。
我们可以用图1所示的工作过程模型来描述此类应用。图中，圆形部分为工作流系统的流程定义，与工作流定义一致。但在每一个任务内部所进行的活动与通常的工作流系统不同，每一个任务由多个活动组成，每一个活动由—个或者多个组成员来协作完成。这种协作在任务内部进行，组内部成员间通过协同工具进行同步交流与合作，而任务间的异步协作则通过工作
2支持协同工作的工作流元模型
这里，我们提出一个新的工作流模型来支持上述工作过程。此工作流模型须增加对如下两方面的支持：一是对工作组概念的支持，二是对协同工具等资源的支持。基于WFMC的工作流元模型，我们给出了如图2所示的支持协同工作的工作流模型。
上述模型与WFMC的工作流模型的差异在于支持了组的概念，同时提供了对协同工具的支持，从而能够支持各小组的协同工作。组是为了完成工作流程中某一任务而设置的，是资源的集合，通常包括人及其完成任务所需的其他资源。例如，一个组包含一个管理者，三个图案设计师，一个软件工程师，以及某些资源，这个组可以完成某个图案设计任务。这些组可以是固定的，也可以是为了完成某个活动而临时产生的。一个组必然属于某一种组类型。组类型是工作流系统和组之间相互联系的纽带，它是根据工作流程中的任务要求而产生的，包含了一系列的任务角色，提供了组和具体资源的动态映射。
此模型中的资源既包括了人，也包括了协同工具和其他资源。与传统的支持组概念的工作流系统不同，传统的系统中支持组成员在流程定义完毕后单独完成一个子任务，而在此模型中，则支持多人在某一活动中的横向协作。因此该模型提供了多人协作交流的支持工具，如群体协作工具和群体决策工具，如图2(3)所示。
3支持协同工作的工作流系统框架
3.1设计原则
支持协同工作的工作流系统框架将为工作流管理系统和协同工作系统的结合提供公共基础服务，以便在此框架上快速构建应用系统。Le Pallec等人使用多重继承方式的工作流系统DARE和协作系统COW集成在一起，但存在类的二义性问题和命名问题，而且该方法只针对两个面向对象系统：Selmin Nurean提出了一个简单的工作流和群件系统相结合的描述性的框架结构，但对其部件缺少深入阐述。本框架的设计将支持上述工作流元模型，综合考虑工作流系统和协同系统结合的特点，最终使两者无缝集成。
框架设计将遵循如下原则：
(1)框架必须适应协同工作系统的动态变化。协同工作系统与应用有关，而且随着协同工作的进行，协同工具的种类，功能都可能动态变化，此框架必须能够适应这种变化。
(2)工作流系统和协同工作系统功能上协调。工作流系统强调的是在流程上的自动化，而协同工作强调的是在工作过程中的协作和共享，这两者之间可自由切换。
(3)工作流系统和协同工作系统的数据交换的快速和一致性。工作流系统和协同工作系统的互操作必然涉及到这两者的数据交换，协同工作系统需要实时取得工作流系统的当前数据，同时协同工作系统的修改数据必须能及时正确地反馈给工作流系统。
3.2系统框架
根据以上设计原则，我们采用组件设计的思想，把整个框架划分为应用系统、应用代理和协同工作流引擎三大组件模块，如图3所示。其中，应用系统分为两类：一类是工作流应用系统，它是工作流系统本身运行过程所需的应用；另一类是协同应用系统，它是支撑协同应用的工具。
工作流应用系统和协同应用系统都通过各自的应用代理创建起与协同工作流引擎之间的会话，其中工作流应用代理还完成工作流应用系统和工作流引擎之间的数据交换。在协同工作流引擎内部，工作流引擎和协同系统服务引擎通过数据交换接口进行协同工作。工作流引擎则封装了WFMS的基本功能，并增加了组管理等内容。
3.3关键技术
支持模型 篇4
关键词：面向质量设计,制造信息,产品设计
0 引言
面向质量的设计是指在产品的开发和设计过程中,根据一定的准则和方法将各种需求转化为产品的质量特性[1]。在转化过程中,需要产品生命周期知识特别是与质量有关的知识的支持[2,3]。制造信息是产品生命周期知识的重要组成部分,包括产品性能、材料、制造过程、可加工性、可装配性、可维护性等[4～6]。在实际设计过程中,制造信息若能及时、准确地反馈给设计人员,会提高产品开发效率,降低产品生产成本。
为设计人员提供支持面向质量设计的制造信息,需要研究制造信息与面向质量设计全过程的关系,并由此建立支持面向质量设计的制造信息结构,为最终开发支持面向质量设计的制造信息系统提供基础。
1 面向质量设计过程分析
1.1 面向质量设计工具
面向质量设计的一个重要工具就是质量功能展开(Quality Function Deployment,简称QFD),它将产品质量和产品实现过程质量综合在一起,把顾客的需求展开到产品设计过程中,包括产品规划、零部件配置、工艺设计和生产规划四个阶段。在展开过程中,上一层的输出就是下一层的输入,从而确保设计的产品在质量上满足用户的需求。
1.2 设计各阶段任务
根据每个设计阶段需要输入及输出的内容,可确定各阶段的主要任务。每个阶段所要完成的任务不同,所需要的制造信息也不同。不同设计阶段的任务可用图1来表示。
2 面向质量设计对制造信息的需求分析
2.1 支持设计的制造信息分类
结合面向质量设计各阶段所要完成的任务及所需要输出的内容,在不同阶段,需要考虑不同的制造信息。比如,在产品规划阶段,要确定产品是否选用新材料,这时需要考虑新材料的可获得性及成本等因素。在工艺规划阶段,要编制零件工艺卡片,这时需要了解车间设备的加工能力等因素。
为了清晰地表示产品设计各阶段对不同制造信息的需求并方便收集制造信息,首先对制造信息进行分类。按照产品的生产过程,将制造信息分为以下几类:
1)生产准备信息。包括材料库存率,新材料的可获得性,设备使用现状,成本和产量相关性。其中,成本和产量相关性是指在生产过程中,有时设计的产品或零件可以制造出来,但批量生产时,受到设备稳定性或工装要求等限制,可能会使成本大幅度提高。
2)生产过程信息。这主要是指产品生产过程中影响产品质量的因素,包括设备的加工能力,材料的性能及供应现状,工作人员的业务素质,零件的工艺流程方法,对质量特征值的检测方法,生产所处的环境。
设备的加工能力:设备可加工的零件,所能达到的精度和粗糙度,设备运行时的稳定性。
注:各层从内到外依次是面向质量设计-设计阶段-设计各阶段任务-完成任务所需制造信息。
工作人员的业务素质:包括设计人员,工艺人员,制造人员的业务熟练水平,对产品质量的责任意识,以及学历、年龄、控制自身情绪不稳定性的能力等
材料的性能及供应现状:材料的供应状态,规格,品种,材料的物理性能、力学性能及化学性能,材料的工艺性及加工处理方法。
零件的工艺方法:零件的工艺方法,上下工序的衔接,每道工序的具体加工方法。
对质量特征值的检测方法:产品或半成品的测量指标,采用的测量工具,测量方法,测量的判定标准。
生产所处的环境:生产车间所处的环境质量状况,如温度,湿度,尘埃等与产品质量直接相关的因素。
3)检验信息。检验部门对各个工序的产品或半成品进行检验,记录相关的质量特征值,严禁不合格产品进入下道工序,同时分析产品缺陷的产生原因,对产品实行质量控制。
4)装配信息:零件紧固方法和装配路径,零件之间的配合间隙和配合区段长度,零件的夹持表面。
生产过程中产生的制造信息一般通过文档来记录,通过对制造信息分类,可以根据各类信息的不同来源由相关人员录入到制造信息系统中,从而规范地记录制造信息,为设计者提供参考。
2.2 设计各阶段对制造信息的需求
根据第二节对面向质量设计各阶段设计任务的描述,详细分析设计与制造信息的需求关系。比如在产品规划阶段,确定是否采用新材料时要考虑现有设备能够加工的材料种类;零部件配置阶段估算产品性能时则需要考虑所用材料的力学性能、化学性能等。面向质量设计与制造信息的关系具体如图2所示。
设计对制造信息的需求贯穿在整个设计过程之中。随着设计阶段的不断深入,对制造信息的考虑越来越多,越来越具体。同时,在设计的不同阶段,又需要共享很多制造信息。
3 制造信息结构模型构建
在对产品设计过程、设计任务进行描述的基础上,分析了产品设计对制造信息的需求。在此基础上,建立支持面向质量设计的制造信息结构模型如图3所示。其中,数据库中存储质量检验数据、设备数据、材料数据等,通过系统进一步的数据挖掘来生成设计者所需要的制造信息。知识库中存储质量标准、以往不同产品与合格率之间的关系、生产装配知识等能够直接为设计者提供决策支持的知识。模型库中存储各种分析方法,对设计者的问题进行推理,分析,对设计者的方案进行优化,最终为设计者提出可行性建议。模型库是系统的核心的部分,因为设计者很少依靠数据直接进行决策,通常都要经过模型库的分析才能支持自己的设计决策。数据库,知识库,模型库既可以单独为设计者提供设计支持,也可以互相提供支持信息。
支持面向质量设计的制造信息功能结构模型建立后,以此为基础可开发实现支持面向质量产品设计的制造信息系统。将制造信息按照不同类别录入系统,系统会通过数据挖掘技术对录入信息进行处理、存储并实时更新,使设计人员能够查询与自己所负责的设计阶段相关的制造信息,提高设计质量。
4 结论
采用QFD分析面向质量的产品设计过程,明确产品设计各阶段所需完成的任务。对制造信息按照产品生产过程分类,便于信息采集与处理。根据设计任务分析设计对制造信息的需求,建立面向质量的产品设计与制造信息的关系。在此基础上,建立支持面向质量设计的制造信息结构模型。模型面向用户进行开发设计,使具有不同任务的设计者在设计决策时能够考虑制造约束,设计与制造之间信息共享,为开发支持面向质量设计的制造信息系统提供基础。
参考文献
[1]李晖.DFQ质量保证设计的应用方法[J].应用科学,2008,(2):91-92.
[2]刘闯,王俊彪.面向工艺领域的制造知识系统化建模方法研究[J].计算机集成制造系统,2009,8(15):1500-1506.
[3]王琦峰,戴姜瑜.面向制造过程的知识管理运行模式与应用策略研究[J].情报杂志,2009,(1):115-118.
[4]RAMANAKV,RAOPVM.Data and knowledge modeling for design-process planning integration of sheet metal components[J].Journal of Intelligent Manufacturing,2004,(15):607-623.
[5]Badke S P,Gehrlicher A.Patterns of decisions in design:leaps,loops,cycles,Sequences and Meta-process[A].In International Conference on Engineering Design(ICED 03)[C].Stockholm,August 19-21,2003.
支持模型 篇5
论述了构成飞机结构战伤评估与修理决策支持系统中模型库的各个单元模型,根据系统的`具体需要构建了模型库,阐述了该模型库的具体工作逻辑和数据流程及主要特点.
作 者：李曙林 侯满义 刘加丛 李寿安 刘洋 LI Shu-lin HOU Man-yi LIU Jia-cong LI Shou-an LIU Yang 作者单位：李曙林,侯满义,刘加丛,李寿安,LI Shu-lin,HOU Man-yi,LIU Jia-cong,LI Shou-an(空军工程大学,工程学院,陕西,西安,710038)刘洋,LIU Yang(94906部队,江苏,苏州,215000)
刊 名：空军工程大学学报（自然科学版） ISTIC PKU英文刊名：JOURNAL OF AIR FORCE ENGINEERING UNIVERSITY (NATURAL SCIENCE EDITION) 年，卷(期)：2006 7(2) 分类号：V26 关键词：决策支持系统 模型库 飞机结构战伤 战伤评估与修理 战伤抢修★ 中二班结构游戏《飞机》幼儿园教案
★ 基于模糊控制的飞机武器发射/投放方案设计与仿真
★ 仿真实习总结
★ 结构动力分析的柯特斯精细积分法
★ 仿真实习团队总结
★ 高考数学仿真试题
★ 飞机失事遗书范文大全
★ 赶飞机作文
★ 飞机欢迎词范文国内
支持模型 篇6
关键词 QoS；模糊QoS约束；人工蜂群算法；电子采购；采购模型
中图分类号 C93；TP301.6 文献标识码 A
1 引 言
电子采购系统的发展不仅为企业节约了采购成本，而且实现了在最短时间内筛选到最合适的供应商.Web电子采购系统是网络服务的一部分，如今，有类似功能的网络服务越来越多，非功能性标准已经成为衡量网络服务越来越重要的标志.非功能性标准的主体是服务质量（Quality of Service，QoS）， QoS 决定用户对Web服务的满意程度.本文将QoS属性作为采购策略的约束条件，加入到采购过程中，以保证采购系统的服务质量.由于QoS约束难以衡量，采用三角模糊的方法来量化QoS.
线下采购模型有利用遗传算法[1]、C-W节约算法[2]等求解，但电子采购模型和传统采购的考虑因素、采购流程等有较大不同.现有关于电子采购系统的研究有：根据企业IT能力提出采购成效的概念模型[3]、单周期报童模型[4]等.由于网络环境不确定性很大，针对电子采购过程建模的研究较少.并且还没有带服务约束条件的模型.在参与者数量多的情况下，如果用动态规划等精确算法求解计算时间较长.有鉴于此，本文将引入人工蜂群算法来建立电子采购模型.
蜂群是具有较大规模的自组织群体，通过蜜蜂个体间的合作，能够表现出极其复杂的行为能力.人工蜂群算法（Artificial Bee Colony Algorithm ，ABC）是Karaboga于2005年提出的一种基于蜜蜂群体觅食行为的群智能优化算法[5]，通过模拟蜂群的集体行为来实现寻优.该算法参数较少，全局收敛性也较好，适用于多维问题的求解.蜜蜂群依据各自分工不同进行不同活动，通过交换信息来寻找最佳蜜源.蜜蜂选择含蜜量高的蜜源采蜜，类似于电子采购中选择最合适的产品.而且，蜂群种类的多样化和搜索规则的灵活性便于适应约束条件.本文将QoS约束加入到电子物流采购模型中，并改进人工蜂群算法来求解模型.
6 结 论
将模糊量化的QoS约束加入到电子物流采购模型中，并利用改进的人工蜂群算法求解该模型.相
比现有的电子采购系统，更多地考虑了用户对非功能性特点的需求，设计了相应的求解过程，既满足了电子物流采购的功能需求，又考虑了QoS约束条件.对于电子物流采购系统具有一定的实用价值，对其他Web服务系统也有借鉴意义.
时间/0.01秒
图2 整体效用收敛图
参考文献
[1] 张秋菊，朱帮助.基于遗传算法的有折扣多产品采购多供应商选择问题求解[J].中国管理科学， 2008， 16 （10）： 192-196.
[2] 朱晓兰，赵一飞. C2W节约算法在装配企业采购物流中的应用[J]. 上海交通大学学报， 2007， 41 （9）： 1420-1424.
[3] A M AGUIAR， K RAMAMURTHY， A P REIS. Electronic procurement systems： an integrative model to explain procurement performance[C]//Industrial Engineering and Engineering Management， 2008. IEEM 2008. IEEE International Conference on. Singapore：IEEE， 2008： 1490-1494.
[4] 常广庶， 徐济超. 基于报童模型的电子采购策略研究[J]. 系统工程， 2004， 22 （10）： 24-28.
[5] D KARABOGA. An idea based on honey bee swarm for numerical optimization[R]. Technical report-tr06， Erciyes university， engineering faculty， computer engineering department， 2005.
[6] 肖芳雄， 面向QoS的Web服务组合建模和验证[D]. 南京：南京航空航天大学信息科学与技术学院， 2010： 8-15.
[7] Chunlin L ，Meilai F，Layuan L. Multiple QoS modeling and algorithm in computational grid[J]. Journal of Systems Engineering and Electronics， 2007， 18（2）： 412-417.
[8] H C CHANG， J S YAO， L Y OUYANG. Fuzzy mixture inventory model with variable lead-time based on probabilistic fuzzy set and triangular fuzzy number[J]. Mathematical and Computer Modelling， 2004， 39（2）： 287-304.
[9] 常冬，张尧学.基于市场机制的QoS控制模型MQC的改进遗传算法求解[J]. 计算机学报， 2004， 27 （12）： 1688-1694.
水电站支持向量机组合预报模型 篇7
1 水电站预报月径流模型
中长期水电站径流预报组合模型结果的可靠性,不单依赖于模型组合权值选定,还决定于组合中单一模型预测精度的选择。鉴于此,欲使得组合模型预报的结果具有符合实际的结果,必须先选定适宜的预报模型。但现阶段工程采用的水电站预报月径流模型种类相对较多,为了提升模型的精度,需采用相互间相关性较小的模型。因此,通过对模型的详细研究,该文选择基于不同原理的预报模型,组合构建水电站预报月径流模型。
1.1 ARMA模型
ARMA模型是基于数理统计方法的随机模型,也是当前水文预报广泛应用的模型[2]。假设ARMA模型中,自回归平均阶数m,而移动平均阶数为n,则模型可用公式(1)进行描述。
式(1)中,ARMA模型径流的时间序列为Yt;Yt的平均值为ξ;残差、滑动平均系数和自回归系数与分别为αt,αt-1,……,αt-n;ω1,ω2,……,ωn;λ1,λ2,……,λn。
在实际模型应用运行过程中,ARMA模型的定阶利用AIC准则,AIC准则参数为公式(2):
式(2)中,L表示实测数据的有效序列长度;σα表示残差值的方差。依据AIC准则,若模型使AIC值达到最小,则模型是可被接受。具体AIC准则实施的步骤参照文献[3]。
1.2 NNBR模型
NNBR模型根据现有特征向量At(t=m+1,……,Z),其中Z为样本总数。假定总有S个特征向量和目前特征向Ai最邻近,其可简记为,则其相对应径流子序列的值为,并基于径流子序列组合与变换获得目前特征向量Ai的后续发展数值[4]。假设径流的时间序列为Ys,有m个前期影响因素的影响,则其前期影响因素的特征向量为As=(Js,1,Js,2,……,Js,m)。因此,Ys与As相互之间一一对应,简记为As=(Js,1,Js,2,……,Js,m)→Ys。依据欧式距离的特性,获得最近邻特征向量[5]。依照公式(3)计算过去特征向量集和目前特征向量Ai的集合D={di,m+1,di,m+2,di,m+3,……,di,z},接着按照D内距离大小,从小到大升序进行排列,选定其前S个特征向量为Ai的最近邻特征向量。
式(3)中,特征向量维数是K,K=m+1,……,Z。
假设,其为特征向量Ai和特征向量Aj之间欧氏距离倒数。因此,通过公式(4)计算,确定每个最近邻的特征向量之间的权重。
式(4)中,基于距离确定的目前特征向量的第j个最近邻特征向量。
由于NNBR模型是基于最邻近回归思想,可描述为:
式(5)中,最近邻数假设为S。一般可选取。如果研究对象只存在单个变量时,则K=Z-m。如果研究对象只存不是单个变量时,则K=Z;抽样权重为θi(j)(j=1,2,3,……,S),且其和为1。鉴于此,根据公式(5)可计算未来时段径流的预估值。
1.3 BP神经网络模型
BP神经网络模型主要由输入层、隐含层和输出层三层网络结构组成[6,7]。实际对水电站的月径流进行预报时,每月径流的前期影响因子设定在输入层,则输入层为研究时段的月径流。假定研究时段内的月径流前期影响因子为α,则其前期影响为C(t-1),C(t-2),……,C(t-α)。而隐含层中,节点数确定可参考实际的经验参数。
2 SVM模型
SVM方法的实质是优化问题,其将训练误差作为问题的优化条件,同时以优化目标设定为置信区间的最小化[8]。鉴于此,相较于ARMA、NNBR、BP神经网络,SVM泛化能力相对较强。同时,其求解的过程都是转化为二次规划求解的问题,因此解是确定唯一的最优解。
用数学的语言描述SVM模型如下:如果已知样本数为N,输入变量和预估值分别为yk和x,则训练样本集合可简记为{(yk,xk),k=1,2,……,N}。若设样本的回归函数为g=λθ(x)+c,则可根据引进的核函数,对其非线性的映射。从而将非线性初始问题,在输入原始空间的基础上转化成高维数的特征空间线性问题,并基于高维数的特征空间解出最优线性分类面,进而为分类和决策提供合理参考依据。其回归问题基于结构风险最小化原则,可转化为求解公式(6)最小值。
式(6)中,g(yk)为输入原始空间到高维数空间非线性函数关系;B、δ分别为惩罚影响因子、损失的不敏感函数;ζ和为松弛函数。
从公式(6)可知,实际值和预估输出值之间偏差的绝对值用δ表示,其也视作为训练过程的误差,同时SVM模型也将其视作为优化问题的约束条件之一。目标函数中,第一项和第二项分别表示置信区间、经验的风险度。如果VC维过大(即其学习能力过强)时,其经验风险度可能较小,然而置信区间会相对较大。如果VC维过小,其经验风险度又可能较大。因此,SVM依据最小置信区间和固定经验风险度,从而获得δ和最佳回归的向量组。
最后,再通过拉格朗日乘子法、对偶原理及核技术,最终建立SVM模型:
式(7)中,核函数为h(yi,y);拉格朗日乘子为bi、,函数修正常数为C。
3 工程实例应用
选定某水电站1954-2002年月径流实测资料,分别利用ARMA、NNBR及BP神经网络模型进行水电站月径流预报计算。通过3种模型结果对比,基于3种模型的精确度分析,采用SVM模型进行组合预报。
3.1预处理模型数据和参数
月径流实测资料选定训练期在前45a,剩余3a作为检验期,进而检验及训练各模型。通过假设未来月径流预测值和过去实测值有某种函数的确定关系,基于对过去月径流实测值分析,预估未来月径流预测值,数学语言描述为:
式(8)中,时段当时流量为Q(t),过去前K个时段内的实测月径流值Q(t-1),Q(t-2),……,Q(t-K)。
当利用水文数据驱动的水文预报模型进行构建模型时,时滞参数选定尤为重要。该文运用与之相关的分析方法,从而确定时滞参数K=12(过去一年各段月径流对预测月径流的影响)。
ARMA模型利用AIC准则,从而确定模型的参数m=6,n=8。而BP神经网络的训练过程迭代次数为G=1 500。对于BP神经网络、NNBR和SVM模型组合预报时,由于实测径流数据幅度、量纲具有不一致性,鉴于此,消除其不利的影响,归一化处理样本中的数据:
式(9)中,归一化处理流量为,初始流量值为Qd,时段内流量序列最小值和最大值为Qmin,d、Qmax,d。
3.2 模型组合预报步骤
基于多个月径流的水文预报模型的预测结果,分析各模型预测结果,从而利用SVM模型进行组合预报,具体步骤见图1。
3.3对比分析各模型预报精度
基于某水电站月径流实测资料,分别采用不同模型进行月径流预测。首先,利用第一个水文年,检验各模型预报之间结果是否具有互补性,如图2所示。
从图2可知,各模型之间预报值都在实际值附近上下波动,尚且未有任何模型能够准确获得最小预测误差。因此,各模型之间存在互补性,可选定为组合模型中的单一模型。由于汛期月径流的流量波动相对较大,而枯水期月径流流量相对稳定。鉴于此,同一模型不同月份下,预报精度也不尽相同。
综上,构建各月份的SVM组合模型,将各模型预报月径流作为输入数据,而实测月径流流量作为输入数据。模型的预报精度评估指标选定DC(确定性系数)和MAPE(平均相对误差),由于月流量径在每各月变化幅度相对较大的特征,分月统计ARMA模型、NNBR模型、BP神经网络模型的预报结果,如表1、2所示。
由表1、2分析可知,各预报模型之间检验期和训练期的预报精度相近,更一步反映所构建的组合预报模型的有效性和合理性;通过对比可知NNBR模型和ARMA模型,因未考虑将降雨因子作为前期影响因子,进而两种模型汛期预报精度相对较低;若BP神经网络模型拟合精度过高,则可能出现预测精度较差的情形发生。鉴于此,该文通过不增加BP神经网络模型的迭代次数避免上述情形的发生,但是却导致BP神经网络模型在汛期时段误差相对较大。综合而言,BP神经网络模型在汛期预报精度符合要求,而非汛期阶段月径流量相对变化平稳,且各模型预报精度相对较高。在每个月测试集和训练集中,相较于ARMA模型、NNBR模型、BP神经网络模型的预报结果,SVM模型预报效果更好,进而提高了模型精度,反映了模型实用性和合理性。
4 结论
该文基于对水电站月径流的前期影响因子确定,利用ARMA模型、NNBR模型、BP神经网络模型计算水电站中长期径流量,从而表明3种模型之间存在一定互补性。同时,通过对3种模型预报结果和实际径流量统计分析,选定训练期在前45a,剩余3a作为检验期,将MAPE和DC作为评估指标,从而建立SVM模型。利用SVM模型预报结果和其他模型预报结果对比表明,SVM模型预报精度更加精确。鉴于此,该文构建基于SVM水电站分月径流预报组合模型,弱化RMA模型、NNBR模型、BP神经网络模型评估分析的随机性和局限性,进而提高预报组合模型整体稳定性和实用性,该模型用于复杂水电站的径流预报中。
摘要：针对水电站径流预报的问题,通过采用不同原理的预报模型预测月径流量,组合建立SVM模型。应用实例表明,该模型对水电站月径流量预报具有较强的适用性,研究可为复杂水电站的径流预报提供有益借鉴。
关键词：月径流量,组合,SVM模型
参考文献
[1]林剑艺,程春田.支持向量机在中长期径流预报中的应用[J].水利学报,2006(6):681-686.
[2]纪昌明,李荣波,张验科,等.基于小波分解的投影寻踪自回归组合模型及其在年径流预测中的应用[J].水力发电学报,2015(7):27-35.[
[3]]王文圣,丁晶,金菊良.随机水文学[M].北京:中国水利水电出版社,2008.
[4]王文圣,向红莲,丁晶.最近邻回归在水文水资源预报中的应用[J].水电能源科学,2001(2):8-10,14.
[5]冼翠玲,张艳军,邹霞,等.中长期径流预报的时间尺度[J].武汉大学学报(工学版),2015(6):739-743.
[6]崔东文.基于改进BP神经网络模型的云南文山州水资源脆弱性综合评价[J].长江科学院院院报,2013(3):1-7.
[7]崔东文,金波.改进BP神经网络模型在小康水利综合评价中的应用[J].河海大学学报(自然科学版),2014(4):306-313.
决策支持系统中柔性供应链模型研究 篇8
决策支持系统 (DSS) 的概念最早是在20世纪70年代初由Scott?Morton和Keen提出来的。DSS是信息系统 (IS) 经由电子数据处理 (EDP) 和管理信息系统 (MS) 综合形成的一种新的形式。DSS被用来支持半结构化和非结构化决策, 允许决策者直接干预, 并能接受决策者的直观判断和经验的动态交互式计算机系统。一般来说, DSS由数据子系统、模型子系统和对话子系统等组成。模型单元的存在是DSS区别于以往其他信息系统的一个重要标志。
二、供应链优化是决策支持系统的重要模型
在以顾客为中心的供应链管理中, 每个成员在决策时都在利用来自直接下游企业的信息进行预测并向上游企业订货, 每个企业都面临着前趋和后继间的订货问题。然而当下游需求发生变化时, 由于供应链的固有属性会产生信息曲解, 而且曲解的信号会沿着供应链自下而上 (顾客→分销商→制造商→供应商) 逐级放大, 这种现象被称为供应链中的牛鞭效应 (Bull-whip Effect) 。牛鞭效应会造成低质量的客户服务、低效运输、货物短缺或积压, 以及错误的需求预测等现象。因此, 如何优化供应链, 提高整个供应链的质量和效率成为决策支持系统要解决的重要问题。
三、柔性供应链优化模型
这里研究由供应商、工厂、分销中心和顾客组成的供应链, 建立包括足够柔性的供应链总成本模型, 目标是确定不同柔性下供应链的最优成本, 以及供应链结构和生产批量。
首先, 考虑供应链总成本模型, 即:
式 (1) 中, i为产品类型 (i=1, …I) ;v为供应商 (v=1, …V) ;j为工厂 (j=1, …J) ;k为分销中心 (k=1, …K) ;m为顾客区 (m=1, …M) ;r为原材料类型 (r=1, …R) ;arvj为从供应商v到工厂j运输原材料r的单位成本;λrv为供应商v生产原材料r的单位成本;f2j为工厂j的固定成本;f3k为分销中心k的固定成本;U2ij为工厂j生产产品i的单位成本;сijk为从工厂j到分销中心k运输产品i的单位成本;dikm为从分销中心k到顾客区m运输产品i的单位成本;U3ik为分销中心k产品i的单位分销成本;Dim为顾客区m对产品i的平均需求;Cijk为从工厂j运输产品i到分销中心k的数量;Arvj为从供应商v运输原材料r到工厂j的数量;Xij为工厂j生产产品i的数量;q2j为工厂设置, 取值为1或0;q3k为分销中心设置, 取值1或0;ykm为分销中心k对顾客区m的服务, 取值1或0。
总成本包括四部分, 一是从供应商到工厂的原材料采购成本和运输成本;二是工厂生产的固定成本和变动成本;三是分销中心搬运和库存产品的变动成本和从工厂到分销中心的运输成本;四是从分销中心到顾客区的运输成本。
其次, 考虑供应链的柔性。供应链柔性在这里主要考虑为生产能力柔性和分销能力柔性, 其中工厂的生产柔性用生产能力和生产能力利用之差描述, 分销柔性用现实的分销量和顾客需求之差描述。供应链柔性模型为:
式 (2) 中, δ2ij为工厂单位产品i相当的标准产量];δ3ik为分销中心k单位产品i相当的标准产量;Φj为每个工厂的标准产品生产能力;βk为分销中心k的最大分销量;w2, w3为能力利用的权重, 取值范围为[01]。
约束条件如下:
式 (3) 是原材料供应限制, 其中Ψrv为供应商v生产原材料r的能力。式 (4) 是原材料运输限制, 其中τri为单位产品i对每种原材料r的利用率。式 (5) 是生产约束。式 (6) 是工厂的生产数量控制, 其中ξij和ζij分别为工厂j产品i的最小和最大生产规模。式 (7) 保证分销中心的分销数量在最大分销规模与最小分销规模之间, 其中αk和βk分别为分销中心k的最小和最大分销量。式 (8) 保证每个顾客区都分布有惟一一个分销中心。式 (9) 保证从工厂运输的产品数量与工厂的生产数量相等。式 (10) 保证所有的需求都得到满足。式 (11) 保证每个顾客区的需求得到满足。
在实际中, 常常把供应链柔性作为约束条件来处理, 即决策者在[01]范围选择适当的柔性期望值ε, 然后令
一个支持动态需求集的软件设计模型 篇9
对于一个软件系统来说,用户的需求总是在不断的变化中。演化性高的软件可以在客户需求发生变化后自行对软件进行调整,以适应新的需求,免去重新修改代码、重新测试、重新编译发布系统、重新安装和部署的繁琐过程。可见,软件的动态演化可以让软件的升级维护等工作变得更容易。并且,如今的软件多以Web程序的方式存在,针对的是分布式的计算环境,动态演化的软件对这种计算环境有着更强的适应能力。需要考虑的问题是:
(1)形式化定义用户的需求;
(2)使软件具有动态演化的能力来适应需求的动态化;
(3)建立一种运行时的反射机制,使软件的功能在运行时可以动态调整。
本文提出了一个可演化的动态软件模型EDSM(Evolutionary Dynamic Software Model)以及用于需求描述的动态语言DD-SL(Dynamic Demand Specific Language)来解决上述的问题。
1 相关工作
针对可适应软件和软件的动态演化,目前已经有不少的研究工作。文献[6,7]从体系结构的角度出发,总结了目前针对高适应性软件的一些软件架构(如MDA,SOA等),并提出了一个支持适应性的面向服务的体系结构框架。文献[8]就动态演化的问题总结了目前的国内外工作,提出了一个面向服务的支持动态演化的软件模型。文献[6-8]都是通过面向服务的方式来解决问题,这种方式要求系统开发本身就按照服务的方式来封装应用,对其他粒度的动态演化并不适用。多数文献中动态演化的都是软件的体系结构,即动态体系结构(DSA)。体系结构的改变并不能最大限度地适应用户需求的改变,因为用户的需求变化大部分是对功能作出新的定义。所以,在功能方面做到动态演化才更能做到需求动态化。另外,上述文献中提到的方法仍然是从集中式计算的角度出发的,并不能最大限度地利用分布异构的资源,文献[1,2]提到了在分布式环境下动态演化的应用。
2 支持需求动态化的EDSM
传统的静态软件(S)是将实现了的功能模块(M)集成和封装,静态软件(S)是一个模块(M)的集合,S={M1,M2,…,Mn}。这些功能模块之间的耦合关系导致了在需求发生变化时,软件的各个模块都需要作出相应的改变,动态性也就无从谈起了。动态软件(DS)要能够对需求动态自适应就不能再采用静态软件的组织方式,为此,本文提出了一个可动态演化的软件模型EDSM(如图1所示)。
该模型由四个部分组成:
1)用户需求描述;
2)用户需求解析;
3)运行时执行单元;
4)业务逻辑方法库。
按照该模型开发的动态软件就被定义为一个四元组,DS=(D,M,E,F),其中F=(D)。该四元组中的每个元素与模型的四个部分一一对应:
D代表用户描述的需求。本文定义了一套适合动态演化的动态需求描述语言DDSL。通过对用户常用需求的分析,制定出这种语言的标记规则。用户通过这种描述性的标记语言来描述需求,形成形式化的用户需求(D)。
F就是模型中的业务方法的集合。业务方法是软件的基础,软件就是通过调用相关的业务方法来完成用户的需求。根据粒度的不同,业务方法可以是服务的形式,可以是构件,也可以是其他任何二进制的可执行单元,这些方法之间是各自独立的、松耦合的。
M则是一个传统静态软件的模块,M是对映射关系的实现,也就是用来对需求(D)进行解析。按照F=(D)的关系,通过M解析需求后,得到的是需要执行的方法集。M的实现直接关系到动态演化的能力。
E是在运行时执行方法的单元。在M对D进行解析后得到的方法集合F就是交给E来执行,充分考虑到系统的动态性,业务方法的调用时机是在系统的运行时,这样就使得软件可以在运行时根据用户的需求进行自适应调整。
3 EDSM的动态演化能力
EDSM并不是对软件体系结构(SA)进行演化,而是对实现功能的业务方法进行动态演化从而适应需求的改变。EDSM的动态演化主要体现在以下三个方面。
3.1 需求描述的动态演化
本文的动态需求描述语言DDSL,是一个方法和表达式的二元组(func,exp)。通过反射,直接与业务方法库中的方法一一对应,而表达式可以对方法进行组合。于是,当业务方法库中的方法增加、修改和删除时DDSL的语法不用做任何的改变。也就是说DDSL可以动态适应业务方法库改变。
3.2 业务层的动态演化
这是软件动态演化的关键。由于需求是通过描述语言定义的,不是经过编译的机器语言,所以需求的变化容易实现。而F又都是各自独立的业务方法,所以F可以方便地改变或进行不同的组合。四元组中的M是一个传统软件的模块,所以M自身不会演化,也就是映射的规则不会变化。由于M是需要通过编译的程序,M不用变化就意味着无需重新编译和发布。执行单元E是在软件的运行时来执行业务方法库中的方法的,所以业务方法库F的变化不会影响到整个软件。这样一来软件通过改变需求描述文件就可以重新实现新的功能,而不用像传统软件那样需要重新修改、编译和发布程序,从而达到了动态演化的目的。
基于EDSM,用户可以通过DDSL来定义或者变更需求。当用户需求发生改变时(D→D′)将触发业务层的演化,根据F=(D),需求变化后F′=(D′)。也就是说根据需求的变化,通过M的解析,得到了不同的结果集F。如图2所示,原F={fa,fb,fc}演化为F′={fd,fe}。
3.3 开发层的动态演化
用户在业务层已经可以直接通过重组业务方法来构建新的应用。但现有的业务方法可能还是无法满足用户所有的需求,当这种新增需求产生时,开发人员只需将新的方法添加到业务方法库中,而不用去改动包括DDSL在内的任何其他单元。整个系统也无需重新编译和发布。如果需求发生彻底的改变(例如,为另外一个行业领域开发类似系统),则开发人员也只需要更换业务方法库。
4 基于EDSM的软件的开发方法
基于EDSM的软件开发就是对四元组(D,M,E,F)的代码实现。
(1)定义描述需求的语言规则;
(2)建立映射的模块(M)也就是实现映射关系;
(3)利用开发工具的各种机制(比如Java的反射机制,Webservice等)开发运行时的执行单元E;
(4)当用户需要业务方法库中不存在的方法时,由开发人员开发新的业务方法加入到业务方法库中。
5 实例分析
目前,EDSM已经应用在了几个实际的项目中,这些项目有财务系统、人事系统等。其中报表是这类系统都会涉及到的一项业务。文献[11,12]提到了通用报表工具的想法,但其实现产品无法让用户直接决定报表的内容,也难以做到适应多变的用户需求。根据EDSM开发的报表工具做到了通用、易扩展、易维护、可动态适应用户需求变化。
5.1 系统设计
报表是用户需求不断变化的典型应用。系统的流程图如图3所示。根据EDSM的设计思想,首先定义了需求的描述规则即DDSL。然后通过前期的调研,了解用户的功能需求,将软件的业务方法逐一实现,构建出业务方法库F。最后,M的实现是系统的核心部分。基于EDSM的报表系统采用Excel作为客户端软件,需求的表达式填写在Excel的具体单元格内,M的作用就是要解析这些单元格内的表达式。而需求描述D与业务方法库F之间采用的是方法名称和方法参数一一对应的关系。即用户通过表达式填写好所要调用函数的名称和参数,这样M通过对二元组(func,exp)解析,就能将需求映射到具体的方法上,最后通过E来调用这些方法,获得结果,M的流程图如图4所示。
5.2 系统的动态演化
就报表系统来说,原有的开发方式是根据客户的需求由开发人员直接利用一些工具绘制好模板,然后开发存取数据的模块来填写模板。这样的工具只要报表在格式和内容上发生改变就需要开发人员重画模板或者修改存取数据的代码。
而基于EDSM开发的报表软件,把格式和内容的定义交给了用户。用户的需求D就通过DDSL表达为一个二元组(func,exp),这样当需求发生变化D→D′时,二元组(func,exp)发生变化,通过M的解析就得到了不同的业务方法集合Fc=(D)→Fc′=(D′)。调用所得的方法集就能得到需要的结果。在这个过程中,M都是不用修改的,所以报表系统无需重新构建就可以适应用户需求的变化。
举例来说,如果某单元格内要统计班级内男生人数。用DDSL描述
综上所述,基于EDSM在面对格式和内容频繁变化的报表需求时,可以做到动态演化,从而验证了EDSM的有效性。
6 结束语
支持模型 篇10
一、造林决策目的和意义
造林规划设计的重要性在于造林工作各环节中首要是造林决策, 人工造林是基层林场生产经营活动的主体, 采用合适的造林方法是影响人工造林成效的关键因素, 造林规划决策需要大量的空间数据和非空间数据, 是森林资源补充、生态环境建设的主要途径, 造林规划设计需要众多的专家知识支持。
造林规划设计是实现林业可持续发展的根本, 科学、合理、经济地造林决策, GSI提供了管理、分析、储存、输出空间数据及与之关联的属性数据的能力。提倡并开展人工造林活动是森林资源增加与森林质量提高的基本条件, 有利于减轻人力负担、减低物力消耗, 有效地解决造林规划设计的数据源问题, 充分发挥林地生产潜力、充分利用资源环境, 在综合掌握造林树种的相应特性基础上, 将数据与造林决策支持模型一起, 结合造林地的地形信息和林种配置要求, 实现造林规划决策的自动化、智能化。造林规划设计是主体与客体系统综合的结果, 任何决策规划都离不开人, 决策是人们为了达到某一种目的而进行的有意识的、有选择的行动。人是决策的主体, 为了实现特定的目标, 是主体对客体判断能力高低的体现, 选用合适的立地分类方法和立地评价技术, 建立起造林地GIS数据库, 是主体与客体综合的结果。
科学技术的发展只有转化为生产力才具有意义, 造林决策支持模型是计算机技术与造林规划设计相结合的产物, 建立相应的模型, 实现了造林规划决策的自动化进程, 建立造林决策支持模型还有助于推广应用。GIS是地图学发展的结果, 分析造林规划设计各环节, 是地图学与计算机相结合的产物, 完成造林规划设计。
针对基层林场的造林规划设计工作, 造林规划设计过程可以划分为四个环节:造林作业区选择、立地分类与评价、树种选择、造林技术措施决策。
二、造林决策预处理模型
造林决策预处理模型是造林决策支持模型的一个有机组成部分, 是造林规划设计的必须条件。数字地形模型则主要依靠数字高程模型, 数字高程模型是对地球表面地形地貌的一种离散的数字表达。
等高线数字高程模型是最常用的一类高程模型, 每一条等高线用一个有序的坐标点对序列表示, 要在等高线上进行其它相应地形因子的计算则比较复杂, 需要将其转换为其它模型。
网点模型是采用无数个离散点进行高程表达的模型, 规则网点模型各网点的数据组织形式可分为正方形和等边三角形两种。正方形网点模型是规则网点模型的基本形式, 网格模型与网点模型的原理基本是一致的, 采用网格模型来对地形进行表达, 具有很强的现实意义。选用规则的网格模型, 数据结构简单, 相应地计算方法也简单。
土壤是林木生长的必须条件, 要提高地形计算的精度, 是立地质量评价的重要指标, 主要数据来源是造林调查或森林资源二类清查, 标准化概念很广, 涉及面也很宽, 造林技术措施决策, 土壤是多因素综合作用的产物, 需要对土壤数据模型中的数据进行标准化。土层厚度数据模型是以小班为单位, 对小班按中央、四角边缘部位进行土壤采样, 土壤质地即土壤的机械组成, 土壤母质是形成土壤的物质基础, 为下一步进行立地类型的划分提供地形方面的信息, 为以后的造林规划决策提供土壤数据支持。
三、造林作业区决策支持模型
造林作业区与造林地意义相近, 造林作业区的基本单位包括林场, 是森林经营管理最基层的部门;为了便于森林资源统计和经营管理, 建立林班, 林班的面积通常很大, 是林场内具有永久性经营管理的土地区划单位, 小班是林场内最基本的经营单位和资源统计单位。
造林作业区的选择来源于培育目标、自然地理条件、现有林经营状况。造林项目需要先确定培育目标, 根据自然地理要素来确定或调整小班边界, 根据自然地理条件决定作业区, 根据现有林小班经营状况确定作业区, 进行造林规划决策时存在两种不同的操作模式:需要勾绘小班边界的模式、不需要勾绘小班边界的模式。
在作业区决策时都是将林场范围内所有需要造林的地段搜索出来, 根据小班数据集中的地类属性建立, 将运算法则、小班数据集和地类条件独立起来, 小班是位于地表面上的空间几何多边形区域实体, 可以将小班编号字段设为字符型, 在地类数据集中, 可以将地类数据集中的元素分类, 运算条件是影响模型解算的关键因素, 在基于地类的作业区决策支持模型的知识库中, 存储有所有适宜造林和应该造林的地类名称, 包括采伐迹地、火烧迹地、宜林荒山荒地、疏林地和宜林沙荒地。
基于地理要素的作业区决策支持模型还需要考虑地理要素的情况, 包括基于地理要素的缓冲区单元模型、基于缓冲区的作业区决策支持模型、基于地形的造林作业区决策支持模型。
四、造林技术措施决策支持模型
造林树种是对造林方法起决定作用的因子, 我国已大体取得了各主要造林树种造林的经验, 为了保证人工造林的成活率, 造林整地是人为地控制和改善环境条件, 造林密度又叫初植密度或栽植密度, 确定适宜的造林密度, 造林地条件的优劣, 直接影响着树种生长特性的发挥程度。
造林方法指造林施工的具体办法, 播种造林是把林木种子直接播种到造林地的造林方法, 植苗造林, 是以苗木为造林材料进行栽植的造林方法, 植苗造林适用于绝大多数树种和各种立地条件。分殖造林主要用于能够迅速产生大量不定根的树种, 利用树木的营养器官做为造林材料进行造林的方法。造林方法的选择可以归纳起来受经济条件、技术条件、造林树种、立地条件、种苗供应等方面的限制。
摘要：人工造林是基层林场生产经营主体, 针对基层林场造林规划决策, 造林决策支持模型结合造林规划设计的具体目标, 提出并建立造林决策支持模型, 是GIS应用的高级阶段。
关键词：组件GIS,造林决策,支持模型
参考文献
[1]龚敏霞、间国年、张书亮等:《智能化空间决策支持模型库及其支持下GSI与应用分析模型的集成》, 《地球信息科学》, 2002, 1。
【支持模型】相关文章：
支持向量回归机模型05-12
混沌支持向量机模型06-08
基于支持向量机模型的基金投资决策研究02-03
语音识别中基于支持向量机的声学模型研究09-11
支持05-24
支持行为05-03
稳定支持05-05
情感支持05-22
人际支持05-30